Loading datasets...
Release Date: 6/17/2026
Format: MP3
Size: 18.32 MB
Share
A collection of spontaneous responses to questions in Esperanto (Esperanto).
Restrictions/Special Constraints
None provided.
Forbidden Usage
It is forbidden to attempt to determine the identity of speakers in the Common Voice datasets. It is forbidden to re-host or re-share this dataset.
Intended Use
This dataset is intended to be used for training and evaluating automatic speech recognition (ASR) models. It may also be used for applications relating to computer-aided language learning (CALL) and language or heritage revitalisation.
eo)This datasheet is for sps-corpus-4.0-2026-06-12 of the Mozilla Common Voice Spontaneous Speech dataset for Esperanto [Esperanto - eo]. The dataset contains 97 clips representing 0.83 hours of recorded speech (0.05 hours validated) from 4 speakers.
The dataset clips are categorised by transcription status and training-set assignment. The following tables summarise the distribution.
| Bucket | Clips | % |
|---|---|---|
| Transcribed & Validated | 24 | 24.7% |
| Transcribed & Pending | 25 | 25.8% |
| Not transcribed | 48 | 49.5% |
| Bucket | Clips | % |
|---|---|---|
| Train | 0 | 0.0% |
| Dev | 0 | 0.0% |
| Test | 0 | 0.0% |
| Unassigned | 97 | 100.0% |
Training split coverage: 0 of 24 transcribed & validated clips (0.0%)
| Bucket | Clips | % |
|---|---|---|
| Validated | 24 | 49.0% |
| Pending | 25 | 51.0% |
| Edited | 23 | 46.9% |
There follows a randomly selected sample of questions used in the corpus.
Kian manĝaĵon vi ŝatus provi kaj kial?
Kiun sporton vi plej ŝatas spekti kaj kial?
Per kiuj vortoj vi testas ke via mikrofono funkcias?
Kia estas la vetero en via plej ŝatata urbo?
Ĉu la vetero estas varma?
There follows a randomly selected sample of transcribed responses from the corpus.
Ĉu vi ŝatas kuiri kaj se jes, kion? Mi ŝatus kuiri pro nun mi ne scias fari tion, bedaŭ, tfu, bedaŭre. Kaj mi certe volas scii, kiel mi povas kuiri. Kaj kion? Me... Mi volas scii kiel kuiri ĉion, kio mi kion mi mi forgesis la vorton denove. Ĉion, kion mi... A, ne trinkas, ne trinkas, la vorto por, a-a-a, por a- por aferoj, kiuj... Manĝi! Por ĉio ĉion, kion mi manĝas. Mi remembis, mi remembis. Memoris!
Ĉu vi skribas la leterojn? Hmm... Jes kaj ne. En tradicia senco, kun papero kaj plumo, mi tute ne skribas leterojn lastatempe. Sed mi ofte aŭ preskaŭ ĉiutage skribas retleterojn. Do, se oni taksas ĝin kiel letero, jes.
Kion vi preferas, pomon aŭ piron? Mi preferas pomon, simple ĉar mia familio ege pli ofte manĝis pomojn en mia knabaĝo. Kaj mi ankoraŭ preferas pomon nuntempe.
Mi eble tro multe uzas emoĝiojn en mia korespondado.
Ambaŭ fruktoj bongustas, sed mi preferas piron.
Each row of a tsv file represents a single audio clip, and contains the following information:
client_id - hashed UUID of a given user
audio_id - numeric id for audio file
audio_file - audio file name
duration_ms - duration of audio in milliseconds
prompt_id - numeric id for prompt
prompt - question for user
transcription - transcription of the audio response
votes - number of people that who approved a given transcript
age - age of the speaker1
gender - gender of the speaker1
language - language name
split - for data modelling, which subset of the data does this clip pertain to
char_per_sec - how many characters of transcription per second of audio
quality_tags - some automated assessment of the transcription--audio pair, separated by |
transcription-length - character per second under 3 characters per second
speech-rate - characters per second over 30 characters per second
short-audio - audio length under 2 seconds
long-audio - audio length over 5 minutes
non-allowed-script - transcription contains characters from a writing system not associated with the language
mixed-script-words - a single word contains characters from multiple writing systems
mixed-script-transcription - transcription spans multiple writing systems, but each word consistently uses only one
This dataset is released under the Creative Commons Zero (CC-0) licence. By downloading this data you agree to not determine the identity of speakers in the dataset.
For a full list of age, gender, and accent options, see the demographics spec. These will only be reported if the speaker opted in to provide that information. ↩ ↩2